由于人工标注成本高昂，将标签丰富的源域知识迁移到无标签的目标域具有重要意义。以往的域适应方法通过对齐源域与目标域之间的全局分布统计特征来解决该问题，但其主要缺陷在于忽略了样本中蕴含的语义信息，例如目标域中背包的特征可能被映射到源域中汽车特征的附近，从而导致语义错位。本文提出一种名为“移动语义迁移网络”（Moving Semantic Transfer Network）的新方法，通过对齐有标签源域的中心点与伪标签目标域的中心点，学习无标签目标样本的语义表示。该方法期望同一类别但在不同域中的特征被映射至相近位置，从而提升目标域的分类准确率。为缓解小批量数据中类别信息不足的问题，本文设计了谨慎的移动平均中心点对齐机制。实验结果表明，所提模型在标准数据集上取得了当前最优的性能。